最近，Microsoft 的 MarkItDown 庫在 GitHub 上引起了廣泛關(guān)注，短短時(shí)間內(nèi)就獲得了超過 20000 個(gè)星標(biāo)。MarkItDown 是一個(gè)功能強(qiáng)大的 Python 庫，能夠?qū)⒍喾N常見的文件格式（如 PDF、PowerPoint、Word、Excel、圖像、音頻和 HTML 等）轉(zhuǎn)換為 Markdown 格式，

圖片

MarkItDown 的優(yōu)勢(shì)與特點(diǎn)

相較于市面上其他的文件轉(zhuǎn)換工具（比如 Unstructured、Marker），MarkItDown 在轉(zhuǎn)換效果方面表現(xiàn)出色。尤其在處理 Office 格式的文檔時(shí)，它能夠準(zhǔn)確地保留文檔的核心內(nèi)容和格式，并且以簡(jiǎn)潔的 Markdown 語法呈現(xiàn)，讓大模型更好的理解已有語料，這使得它在當(dāng)前的大模型浪潮中展現(xiàn)出巨大的潛力和廣泛的關(guān)注。

下面，我們將展示如何通過 MarkItDown 將 Excel 文件轉(zhuǎn)換為 Markdown 格式的簡(jiǎn)單示例。

首先，安裝 MarkItDown 庫：

pip install markitdown

然后，使用以下代碼進(jìn)行轉(zhuǎn)換：

from markitdown import MarkItDown
# 初始化 MarkItDown 對(duì)象
markitdown = MarkItDown()
# 轉(zhuǎn)換 Excel 文件為 Markdown 格式
result = markitdown.convert("test.xlsx")
# 打印轉(zhuǎn)換后的 Markdown 內(nèi)容
print(result.text_content)

這樣，我們就能夠輕松將 Excel 文檔轉(zhuǎn)換為 Markdown 格式。

不過，由于 MarkItDown 是 Python 工具包，直接在其他編程語言中使用并不十分方便。因此，筆者基于 MarkItDown 封裝了一個(gè) REST API 服務(wù)，并增強(qiáng)支持PDF轉(zhuǎn)換成markdown，其他語言的開發(fā)者也可以通過這個(gè)服務(wù)輕松調(diào)用，實(shí)現(xiàn)跨語言使用。（PS: 感謝 Cursor 工具，使我這個(gè) Python 門外漢也能根據(jù)自己的需求，輕松構(gòu)建出符合要求的 AI 基礎(chǔ)設(shè)施。）

通過 REST API 使用 MarkItDown

• 運(yùn)行 Docker 容器

首先，你需要啟動(dòng) MarkItDown 的 Docker 服務(wù)：

docker run -p 8000:8000 pig4cloud/markitdown

• 通過 REST API 調(diào)試

啟動(dòng)服務(wù)后，你可以通過 curl 命令測(cè)試 API 接口，上傳 Word 文件進(jìn)行轉(zhuǎn)換：

curl -X 'POST' \
 'http://localhost:8000/upload/' \
 -H 'Content-Type: multipart/form-data' \
 -F 'file=@test.docx'

 API 返回的結(jié)果是轉(zhuǎn)換后的 Markdown 格式文本：

{
"text": "\n## 核心技術(shù)棧升級(jí)\n\nSpring 官方已于 2023 年底宣布停止維護(hù) JDK 8 和 Spring Boot 2 系列框架，業(yè)務(wù)系統(tǒng)仍使用已停止維護(hù)的 Spring Boot 2.x 和 JDK 8，存在大量安全漏洞（尤其近期高發(fā)），影響系統(tǒng)安全性與可擴(kuò)展性。\n\n![](data:image/png;base64...)\n\n**優(yōu)化必要性**：\n\n 及時(shí)修復(fù)安全漏洞，避免業(yè)務(wù)數(shù)據(jù)泄露與惡意攻擊風(fēng)險(xiǎn)。\n\n 提高系統(tǒng)兼容性，適應(yīng)未來技術(shù)生態(tài)與業(yè)務(wù)需求。\n\n**優(yōu)化方向：**\n\n 全面升級(jí)到 Spring Boot 3.x 和 JDK 17 LTS，采用最新技術(shù)棧，提升性能與安全性。\n\n 調(diào)研現(xiàn)有項(xiàng)目中間件的兼容性問題，評(píng)估升級(jí)改造成本并規(guī)劃實(shí)施路徑。\n\n 調(diào)用現(xiàn)有 DevOps 流水線，重構(gòu) JDK17 LTS 實(shí)現(xiàn)一鍵構(gòu)建與自動(dòng)化部署，提高開發(fā)效率。"
}

返回的 Markdown 格式文本可以直接嵌入到 Markdown 文檔中，或者通過其他工具進(jìn)行 ETL 進(jìn)一步處理。

進(jìn)階使用：結(jié)合視覺模型提升轉(zhuǎn)換效果

MarkItDown 不僅僅支持傳統(tǒng)的文檔格式，還能與大模型進(jìn)行集成，提升圖像和復(fù)雜文檔的解析能力。例如，借助視覺模型，MarkItDown 能夠處理復(fù)雜的圖像內(nèi)容，將圖片中的信息提取并轉(zhuǎn)換為 Markdown 格式。

為了使用視覺模型，你可以通過如下命令啟動(dòng)服務(wù)：

docker run -d \
 -p 8000:8000 \
 -e API_KEY=gitee_ai_key \
 -e MODEL=InternVL2_5-26B \
 -e BASE_URL=https://ai.gitee.com/v1 \
 pig4cloud/markitdown

Gitee AI 提供的 InternVL2_5-26B 視覺模型，來提升中文圖像和文檔內(nèi)容的解析能力。當(dāng)然你可以使用 qwen-vl 也可以根據(jù)需要使用本地的視覺模型，如 ollama run minicpm-v:8b，以滿足個(gè)性化的需求。

此外，還可以通過 Swagger 接口來調(diào)試 API，訪問地址為：http://0.0.0.0:9527/swagger-ui.html

圖片

總結(jié)與展望

盡管 MarkItDown 已經(jīng)在多個(gè)文件格式的轉(zhuǎn)換上取得了顯著進(jìn)展，

• 但目前它對(duì)舊版 Office 文檔（如.doc、.xls）以及 PDF 影印版的支持仍然有限(本增強(qiáng)工程已支持)。
• 對(duì)于復(fù)雜格式的報(bào)表，MarkItDown 的抽取效果可能不如預(yù)期，尤其是在處理非結(jié)構(gòu)化數(shù)據(jù)時(shí)，文本轉(zhuǎn)換效果較為簡(jiǎn)單。

然而，在 RAG（Retrieval-Augmented Generation）系統(tǒng)的構(gòu)建中，MarkItDown 作為初始數(shù)據(jù)的轉(zhuǎn)換工具，已經(jīng)為構(gòu)建更智能的數(shù)據(jù)處理與生成系統(tǒng)提供了巨大的幫助。隨著功能的不斷完善，MarkItDown 將成為更多開發(fā)者實(shí)現(xiàn)文檔格式轉(zhuǎn)換的利器。

如果你對(duì) AI 開發(fā)或者數(shù)據(jù)處理有興趣，不妨嘗試一下 MarkItDown，特別是在結(jié)合大語言模型的環(huán)境下，它的潛力無可限量。